Machine Learning Approaches Enhance Polygenic Risk Score in Alzheimer’s Disease

अल्जाइमर रोग एक निरंतर चलने वाली स्थिति है जो याददाश्त और सोचने की क्षमता को नष्ट कर देती है, और अंततः व्यक्ति की अपनी देखभाल करने की क्षमता को छीन लेती है। हालांकि हम जानते हैं कि कुछ लोग इसे विकसित होने के उच्च जोखिम के साथ पैदा होते हैं, लेकिन इसके कारण शायद ही कभी सरल होते हैं। वैज्ञानिकों को लंबे समय से पता है कि एक विशिष्ट जीन वेरिएंट, जिसे APOE ε4 कहा जाता है, एक शक्तिशाली चेतावनी संकेत के रूप में कार्य करता है, लेकिन यह कहानी का केवल एक हिस्सा बताता है। कई लोग इस वेरिएंट को लेकर भी कभी बीमारी विकसित नहीं करते, जबकि अन्य जो इसे नहीं रखते, फिर भी बीमार पड़ जाते हैं। यह सुझाव देता है कि जोखिम किसी एक स्विच में नहीं है, बल्कि हमारे डीएनए के हजारों सूक्ष्म अंतरों में बिखरा हुआ है, जिनमें से प्रत्येक समग्र चित्र में थोड़ा योगदान देता है। वर्षों से, शोधकर्ता इन सूक्ष्म योगदानों को जोड़कर एक एकल स्कोर बनाने का प्रयास कर रहे हैं ताकि यह अनुमान लगाया जा सके कि किसे बीमार होने की सबसे अधिक संभावना है। हालांकि, ये पारंपरिक तरीके अक्सर यह मान लेते हैं कि जीन स्वतंत्र रूप से कार्य करते हैं, जैसे व्यक्तिगत वजन को जोड़ना, और वे उन जटिल तरीकों को पकड़ने में संघर्ष करते हैं जिनसे जीन आपस में परस्पर क्रिया (interact) कर सकते हैं।

इटली के शोधकर्ताओं की एक टीम यह देखने के लिए आगे बढ़ी कि क्या आधुनिक कंप्यूटर उपकरण इस आनुवंशिक कोड को पढ़ने में बेहतर काम कर सकते हैं। उन्होंने लगभग एक हजार वृद्ध वयस्कों का डेटा एकत्र किया, जिनमें से कुछ अल्जाइमर से ग्रस्त थे और कुछ बिना अल्जाइमर के थे, और लाखों आनुवंशिक मार्करों की जांच की। मानक सूत्रों पर निर्भर रहने के बजाय, उन्होंने कई अलग-अलग प्रकार के आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) मॉडल को प्रशिक्षित किया। ये मॉडल डेटा से स्वयं सीखने के लिए डिज़ाइन किए गए थे, जो उन पैटर्न की तलाश कर रहे थे जो पारंपरिक गणित के लिए बहुत सूक्ष्म या बहुत जटिल हो सकते हैं। शोधकर्ता यह जानना चाहते थे कि क्या ये स्मार्ट एल्गोरिदम उन छिपे हुए संबंधों को पहचान सकते हैं जो बीमारी की ओर ले जाने वाले जीनों के बीच होते हैं, और क्या वे पुराने तरीकों की तुलना में अधिक सटीकता से जोखिम का अनुमान लगा सकते हैं।

परिणामों ने दिखाया कि कंप्यूटर मॉडल वास्तव में अधिक प्रभावी थे। सबसे अच्छा प्रदर्शन करने वाला आर्टिफिशियल इंटेलिजेंस सिस्टम बीमारी वाले लोगों और बिना बीमारी वाले लोगों के बीच काफी उच्च सटीकता के साथ अंतर करने में सक्षम था, जो पारंपरिक स्कोरिंग विधियों की तुलना में बेहतर था। यह सुधार तब सबसे अधिक स्पष्ट हुआ जब शोधकर्ताओं ने विश्लेषण में ज्ञात APOE जीन को शामिल किया, जिससे पता चलता है कि कंप्यूटर मॉडल इस प्रमुख जोखिम कारक को हजारों छोटे कारकों के साथ तौलने में बहुत कुशल थे। हालांकि, जब शोधकर्ताओं ने यह देखने के लिए मिश्रण से APOE जीन को हटा दिया कि क्या मॉडल अन्य संकेतों को खोज सकते हैं, तो जटिल कंप्यूटर मॉडलों का लाभ कम हो गया। इस परिदृश्य में, सरल, पारंपरिक तरीके उन्नत मॉडलों के समान ही अच्छा प्रदर्शन कर रहे थे। यह निष्कर्ष बताता है कि हालांकि आर्टिफिशियल इंटेलिजेंस जटिल अंतःक्रियाओं को पकड़ने में शक्तिशाली है, अल्जाइमर में शेष आनुवंशिक जोखिम का एक बड़ा हिस्सा अभी भी एक अधिक सीधा, योगात्मक (additive) पैटर्न का पालन करता है जिसे पुराने तरीके भी काफी अच्छी तरह से संभाल सकते हैं।

केवल जोखिम की भविष्यवाणी करने के अलावा, शोधकर्ताओं ने यह समझने के लिए एक विशेष तकनीक का उपयोग किया कि कंप्यूटर वास्तव में क्या "सोच" रहा है। उन्होंने मॉडल से यह समझाने के लिए कहा कि कौन से विशिष्ट आनुवंशिक परिवर्तन उसके निर्णयों को संचालित कर रहे हैं। विश्लेषण ने कुछ चुनिंदा आनुवंशिक वेरिएंट्स को उजागर किया जिन्हें मॉडल ने सबसे महत्वपूर्ण माना। इनमें से एक प्रसिद्ध APOE वेरिएंट था, जिसे मॉडल ने सबसे मजबूत संकेत के रूप में सही ढंग से पहचाना। लेकिन मॉडल ने अन्य ऐसे जीनों की ओर भी इशारा किया जो पिछले अध्येशनों में इतने प्रमुखता से नहीं दिखाए गए थे। उदाहरण के लिए, इसने एक जीन को चिह्नित किया जो कोशिकाओं द्वारा तनाव (stress) को संभालने में शामिल है और दूसरे को जो मस्तिष्क की प्रतिरक्षा कोशिकाएं वसा चयापचय (fat metabolism) को कैसे प्रबंधित करती हैं, उसमें भूमिका निभाता है। ये निष्कर्ष बताते हैं कि बीमारी कई कारकों के संयोजन से संचालित हो सकती है, जिसमें यह शामिल है कि कोशिकाएं तनाव का सामना कैसे करती हैं और मस्तिष्क की प्रतिरक्षा प्रणाली कैसे कार्य करती है, जो भविष्य के अनुसंधान के लिए नए सुराग प्रदान करती है।

अध्ययन ने यह भी देखा कि क्या ये मॉडल उच्चतम या निम्नतम जोखिम वाले लोगों की पहचान कर सकते हैं। जब शोधकर्ताओं ने जोखिम के चरम छोरों का परीक्षण किया, तो एक कंप्यूटर मॉडल अन्य सभी परीक्षण की गई विधियों की तुलना में उच्च-जोखिम और निम्न-जोखिम समूहों को सही ढंग से वर्गीकृत करने की क्षमता में सबसे अलग खड़ा हुआ। यह प्रारंभिक हस्तक्षेप के लिए एक महत्वपूर्ण क्षमता है, क्योंकि यह डॉक्टरों को उन व्यक्तियों की पहचान करने में मदद कर सकता है जो लक्षण प्रकट होने से पहले निवारक उपायों से सबसे अधिक लाभान्वित हो सकते हैं। हालांकि, शोधकर्ताओं ने सावधानी बरतते हुए उल्लेख किया कि उनका कार्य लोगों के एक विशिष्ट समूह पर आधारित था और मॉडलों को बड़े, अधिक विविध आबादी पर परीक्षण करने की आवश्यकता है ताकि यह सुनिश्चित किया जा सके कि वे सभी के लिए काम करें।

अंततः, यह शोध दर्शाता है कि मशीन लर्निंग अल्जाइमर रोग के लिए आनुवंशिक जोखिम को समझने में हमारी समझ को बढ़ा सकती है, विशेष रूप से कई आनुवंशिक कारकों की जटिल परस्पर क्रिया को देखते हुए। जबकि पारंपरिक तरीके उपयोगी बने हुए हैं, विशेष रूप से प्रमुख ज्ञात जीनों के बिना व्यापक आनुवंशिक चित्र को देखते समय, नया दृष्टिकोण सबसे संवेदनशील व्यक्तियों की पहचान करने के लिए एक अधिक सटीक लेंस प्रदान करता है। कोशिकीय तनाव और प्रतिरक्षा कार्य में शामिल विशिष्ट जीनों को उजागर करके, यह अध्ययन वैज्ञानिकों को नए जैविक मार्गों की खोज करने के लिए एक रोडमैप प्रदान करता है। यह कार्य कोई इलाज नहीं देता है, लेकिन यह जोखिम को मापने का एक अधिक सटीक तरीका और उन जैविक तंत्रों का एक स्पष्ट दृश्य प्रदान करता है जो एक दिन नए उपचारों की ओर ले जा सकते हैं।